es.wedoany.com Noticia: La plataforma cuántica en la nube qBraid ha anunciado una serie de expansiones de infraestructura y avances algorítmicos destinados a consolidar su pipeline de desarrollo híbrido cuántico-clásico. Estas actualizaciones convierten a qBraid en un objetivo remoto en la nube dentro del marco CUDA-Q de NVIDIA, amplían la flota de hardware de unidades de procesamiento gráfico bajo demanda de qBraid Lab e implementan el agente de codificación automatizada AlphaEvolve de Google Cloud para resolver cuellos de botella de recursos en simulaciones de química cuántica tolerantes a fallos.
A través de su integración como objetivo remoto en la nube dentro de NVIDIA CUDA-Q, los desarrolladores pueden compilar núcleos cuánticos directamente utilizando el conjunto de herramientas del compilador nativo nvq++ y enviarlos al hardware físico compatible con qBraid. Esta arquitectura permite a los usuarios, mediante una única clave API de qBraid, dirigirse a backends de hardware de proveedores como Rigetti, IonQ, IQM y QuEra ajustando las banderas de máquina en las declaraciones de ejecución. El pipeline incluye acceso al simulador gratuito de vectores de estado de representación intermedia cuántica de qBraid, que admite envío asíncrono y persistencia futura en disco para cargas de trabajo de hasta 30 qubits y 2000 disparos.
Para soportar cargas de trabajo híbridas intensivas, como simulaciones de redes tensoriales, optimización variacional y decodificación de corrección de errores con redes neuronales, qBraid Lab ha ampliado su infraestructura, ofreciendo acceso bajo demanda a más de 20 tipos de instancias de GPU. La flota de pago por uso, orquestada por el director de tecnología de qBraid, Ryan Hill, elimina la fricción de la capacidad reservada, permitiendo a los usuarios lanzar configuraciones directamente desde entornos basados en navegador como JupyterLab o VS Code. Los niveles de cómputo disponibles abarcan múltiples generaciones de hardware, incluyendo: NVIDIA B200 con arquitectura Blackwell, NVIDIA H200, NVIDIA H100 y NVIDIA GH200 Grace Hopper Superchip con arquitectura Hopper, así como NVIDIA A100, NVIDIA L4, NVIDIA L40S, RTX 4090, RTX 5090 y RTX 6000 Ada con arquitecturas Ampere y Ada Lovelace. Estos perfiles de instancia admiten la ejecución nativa de modelos de calibración cuántica especializados, como la serie NVIDIA Ising Open AI, que están preconfigurados para funcionar con la pila de compilación CUDA-Q.
En la capa matemática fundamental de la química cuántica, el equipo de investigación de qBraid, que incluye al Dr. Kenny Haydrich, James Brown y Tarini Hadika, en colaboración con el programa de acceso temprano AlphaEvolve de Google Cloud, ha optimizado la codificación de fermiones a qubits. Dado el espacio de búsqueda exponencial, con más de 10^50 configuraciones posibles para moléculas de 8 orbitales, convertir la estructura electrónica molecular en operadores de qubits presenta un desafío de diseño significativo. Utilizando el modelo Gemini en bucles evolutivos, el agente AlphaEvolve modificó iterativamente estructuras Python semilla basadas en la familia patentada Generalized Superfast Encoding de qBraid, evaluando aproximadamente 1500 variantes de programas contra un tablero de puntuación de verificador exacto riguroso e inquebrantable. Las reglas de codificación generadas por IA resultantes lograron sortear con éxito las limitaciones del diseño manual tradicional, alcanzando una distancia de código de corrección de errores cuánticos exacta de 5 en Hamiltonianos moleculares densos, mientras que la mejor ingeniería humana previa solo alcanzaba una distancia de 3. Al validarse contra sistemas químicos reservados nunca vistos durante el entrenamiento del modelo, como el hidruro de berilio y el agua, el código generado mantuvo la protección de distancia 5. Las nuevas estructuras descubiertas redujeron la tasa de error lógico entre 3,4 y 7,9 veces bajo decodificación exacta, al tiempo que requirieron entre 4,2 y 5,0 veces menos qubits de datos que las rutas de compilación tolerantes a fallos estándar, reduciendo así la sobrecarga de hardware físico necesaria para simulaciones moleculares profundas.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
